【githubgirl】通过生成对抗网络，快速实现妆容转移、一键上妆等功能

已于 2022-04-04 08:29:52 修改
阅读量1.8k 收藏 2
点赞数 1
文章标签： github 经验分享 迭代器模式 单例模式
于 2022-04-04 08:29:03 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_67982904/article/details/123948341
版权

PSGAN，北航与国科大在 2019 年与 GitHub 开源的一项技术，可通过生成对抗网络，快速实现妆容转移、一键上妆等功能。

几天前，来自西安电子科技大学的一名学生为其实现了 C++ 版本，并构建了可在 Windows 上运行的 QT 软件，感兴趣的同学可以把玩研究一下。

Python：github.com/wtjiang98/PSGAN
C++：github.com/EdVince/PSGAN-NCNN

githubgirl
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习+妆容对比训练集样本
10-01
深度学习+妆容对比训练集样本
装在您口袋里的全功能趣味照片生成器 for Android.rar
06-15
装在您口袋里的全功能趣味照片生成器 for Android
探索美妆新境界：SCGAN —— 空间不变风格控制化妆迁移
最新发布
gitblog_00047的博客
06-15 289
探索美妆新境界：SCGAN —— 空间不变风格控制化妆迁移 项目地址:https://gitcode.com/makeuptransfer/SCGAN 在追求美的数字时代，【SCGAN】——CVPR 2021论文“基于空间不变风格代码控制的化妆迁移”实践版，正悄然开启化妆艺术与AI技术的全新篇章。本文将带您深入探索这一革命性开源项目的魅力。 项目介绍 SCGAN，一个致力于实现高度逼真且细节丰富化...
GitHub上有趣、好玩的开源项目推荐
pan_jiabao的博客
02-26 1万+
大家好，我是勤奋的码农。你以为GitHub仅仅是一个代码托管平台？哈，大错特错！今日就给大家介绍几个GitHub上有趣、好玩的项目。 1、程序员做饭指南 GitHub地址：https://github.com/Anduin2017/HowToCook 这是最近火起来的一个项目，正如项目介绍所说：作为程序员，我偶尔在网上找找菜谱和做法。但是这些菜谱往往写法千奇百怪，经常中间莫名出来一些材料。对于习惯了形式语言的程序员来说极其不友好。 这个项目用程序员的思路去介绍如何做饭，真是程序员的福音啊。
【论文04】基于区域敏感生成对抗网络的自动上妆算法
qq_42011158的博客
03-17 179
【论文04】 《基于区域敏感生成对抗网络的自动上妆算法》-中文知网 文献类型：期刊 发表年限：2019年4月15日 发表刊物：软件学报 关键部分： 解决妆容迁移问题，实现多领域的转换，不需要参考图片，仅需要指定一个类别就能生成妆容效果。 数据集：亚洲妆容数据集+欧洲妆容数据集+人脸数据集celeb-A 方法： 比较方法：FID衡量真实数据和生成数据的分分布相似性 SSIM衡量图像之间的相似性 存在问题： 约束不需要改变区域的不变性 不同于人脸表情需要对人脸整体特征同时进行编辑，上妆任务有局部编辑需求。
最新最全论文合集——妆容迁移
AI_Conf的博客
01-26 580
AMiner平台（https://www.aminer.cn）由清华大学计算机系研发，拥有我国完全自主知识产权。平台包含了超过2.3亿学术论文/专利和1.36亿学者的科技图谱，提供学者评价、专家发现、智能指派、学术地图等科技情报专业化服务。系统2006年上线，吸引了全球220个国家/地区1000多万独立IP访问，数据下载量230万次，年度访问量超过1100万，成为学术搜索和社会网络挖掘研究的重要数据和实验平台。 必读论文：https://www.aminer.cn/topic 论文集地址：https:/.
对生成对抗网络GANs原理、实现过程、应用场景的理解（附代码），另附：深度学习大神文章列表
热门推荐
sym的博客
07-20 2万+
对抗网络是14年Goodfellow Ian在论文Generative Adversarial Nets中提出来的。  记录下自己的理解，日后忘记了也能用于复习。  本文地址：  http://blog.csdn.net/sxf1061926959/article/details/54630462 生成模型和判别模型 理解对抗网络，首先要了解生成模型和判别模型。判别模型比较好理解
基于区域敏感生成对抗网络的自动上妆算法.pdf
12-16
《基于区域敏感生成对抗网络的自动上妆算法》是一篇探讨如何使用深度学习技术实现自动上妆的人脸图像编辑论文。该研究属于计算机视觉和深度学习领域的交叉应用，旨在通过算法来模拟和编辑人脸妆容，以达到自然、真实...
一种多通路的分区域快速妆容迁移深度网络.pdf
12-16
10. 快速妆容迁移：快速妆容迁移是指可以快速生成高质量的妆容结果的模型，该模型可以应用于实时的美妆应用中。 本文提出的多通路的分区域快速妆容迁移深度网络模型可以生成更加自然和真实的妆容结果，具有广泛的...
source_妆容迁移_
10-02
【妆容迁移】是一种利用深度学习技术实现的图像处理应用，它允许用户将一种特定的妆容风格从示例图片转移到自己的面部图像上。在给定的文件列表中，我们可以推测这是一个包含妆容迁移系统的简单实现，可能由一系列...
生成对抗网络（GAN）
I‘m Frank Lee
02-11 1万+
简介 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。原始 GAN 理论中，并不要求 G 和 D 都是神经网络，只需要是能拟...
GAN|生成对抗网络的前沿进展（论文、框架&资源）全面总结
05-03 2727
成模型（GenerativeModel）是一种可以通过学习训练样本来产生更多类似样本的模型。在所有生成模型当中，最具潜力的是生成对抗网络（Generative Adversarial Networks, GANs）。GANs 是非监督机器学习的一种，它的运作方式可被看做是两个神经网络相互竞争的零和游戏（zero-sum game）。 2014年，Ian Goodfello
入坑生成对抗网络（GAN）
qq_20373723的博客
04-05 538
看了以后感觉还行的关于生成对抗网络的一个GitHub项目，安利给大家 链接：https://github.com/kwotsin/mimicry 文档：https://mimicry.readthedocs.io/en/latest/guides/introduction.html 这个项目时以python包的形式发布了的，直接可以用pip安装pip install torch-mimicry 安...
以假乱真的对抗生成网络（GAN）
Chile_Wang的博客
09-13 980
本期课程到这里，博主就默认大家已经对BP、CNN、RNN等基本的神经网络属性以及训练过程都有相应的认知了，如果还未了解最基本的知识，可以翻看博主制作的深度学习的学习路线，...
最新妆容迁移模型 SSAT 效果超越PSGAN|上手超容易AAAI 2022
zero的博客
12-10 1944
点击下方“AI算法与图像处理”，一起进步！ 重磅干货，第一时间送达大家好，我是阿潘，之前和大家分享过妆容迁移相关的论文和使用教程，但是还是有很多在应用的时候出现问题，很大一部分原因是因为...
海量案例！生成对抗网络（GAN）的18个绝妙应用
读芯术的博客
07-30 1万+
全文共6531字，预计学习时长13分钟图片来源：pexels.com/@gravitylicious生成对抗网络（GAN）是生成模型的一种神经网络架构。生成模型指在现存样...
生成对抗网络的tensorflow实现
小白将
01-08 1万+
生成对抗网络的tensorflow实现原文地址：http://blog.evjang.com/2016/06/generative-adversarial-nets-in.html 这是关于使用tensorflow来实现Goodfellow的生成对抗网络论文的教程。对抗网络是一个可以使用大约80行的python代码就可以实现的一个有趣的小深度学习练习，这将使你进入深度学习的一个活跃领域：生成式模型
区域敏感生成对抗网络在自动上妆算法中的应用
本文主要介绍了一种创新性的自动上妆算法，该算法运用了区域敏感生成对抗网络（Region-Sensitive Generative Adversarial Networks, RSGANs）来实现对人脸妆容的精确编辑与合成。在人脸图像分析领域，自动上妆具有...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值